Прогнозирование сложных процессов нейронными сетями
Аннотация
Предмет: прогнозирование сложных процессов необходимо в различных отраслях промышленности для оптимизации их операций, снижения затрат и повышения эффективности. Для прогнозирования использовались традиционные статистические методы и алгоритмы машинного обучения, но появление нейронных сетей значительно повысило точность прогнозов. Цель: использование нейронных сетей для прогнозирования сложных процессов становится все более популярным благодаря их способности изучать сложные взаимосвязи между данными, находить в них закономерности и обобщать их, предсказывая будущие результаты. Дизайн исследования: в предположении, что применение нейронных сетей для прогнозирования временных рядов связано с проблемами разработки точных моделей, в работе показаны потенциальные преимущества использования нейронных сетей для прогнозного моделирования сложных процессов. Результаты: авторами представлена демонстрация работы инструментального средства для прогнозирования временных рядов с помощью нейронных сетей.
Скачивания
Литература
Егоров И.А. Методы анализа Big Data / И.А. Егоров, Г.С. Аматунянц, А.М. Кумратова // Цифровизация экономики: направления, методы, инструменты: Сборник материалов v Всероссийской научно-практической конференции, Краснодар, 16–21 января 2023 года. Краснодар, Кубанский государственный аграрный университет имени И.Т. Трубилина, 2023, с. 192-196.
Манжула В.Г. Нейронные сети Кохонена и нечеткие нейронные сети в интеллектуальном анализе данных / В.Г. Манжула, Д.С. Федяшов // Фундаментальные исследования, 2011, no. 4, с. 108-114.
Обзор современных моделей и методов анализа временных рядов динамики процессов в социальных, экономических и социотехнических системах / Е.Г. Андрианова, С.А. Головин, С.В. Зыков [и др.] // Российский технологический журнал, 2020, т. 8, no. 4(36), с. 7-45.
Шугай Ю.С. Нейросетевые алгоритмы прогнозирования событий и поиска предвестников в многомерных временных рядах // Искусственный интеллект, 2004, no. 2, с. 211-215.
Якимова В.А. Возможности и перспективы использования цифровых технологий в аудиторской деятельности // Вестник Санкт-Петербургского университета. Экономика, 2020, т. 36, no. 2, с. 287-318.
Baldwin A. Opportunities for artificial intelligence development in the accounting domain: the case for auditing / A. Baldwin, C. Brown, B. Trinkle // Finance and Management, 2006, no. 14, рр. 77-86.
Calderon T.G. A roadmap for future neural research in auditing and risk assessment / T.G. Calderon, J.J. Cheh // International Journal of Accounting Information Systems, 2002, vol. 3-4, pp. 203-236.
Chiu C.T. An intelligent forecasting support system in auditing: expert system and neural network approach / C.T. Chiu, R. Scott // System Sciences, 1994, vol. 3, pp. 272-280.
Preliminary rocessing of data for the problem of short-term forecasting of electric energy cost / A.S. Polyakova, U.N. Kruglova, S.S. Bezhitskiy, S.V. Shelikhova // Молодежь. Общество. Современная наука, техника и инновации, 2015, no. 14, рр. 247-249.
Sermpinis G. Forecasting and trading the EUR/USD exchange rate with gene expression and psi sigma neural networks / G. Sermpinis, J. Laws, A. Karathanasopoulos, C.L. Dunis // Expert Sys. Appl., 2012, no. 39(10), рр. 8865-8877.
Vanstone B. An empirical methodology for developing stockmarket trading systems using artificial neural networks / B. Vanstone, G. Finnie // Expert Sys. Appl., 2009, no. 36(3), рр. 6668-6680.
Xianjun Ni. Research of Data Mining Based on Neural Networks / Ni Xianjun // World Academy of Science, Engineering and Technology, 2008, no. 39, рр. 381384.
